随着我国经济效能不断提升,人们对食物的品质要求日益增加,猪肉是不可缺少的食物,促进规模化的生猪养殖水平势在必行。本文以猪舍内多目标群养猪视频为数据源,首先对群养猪的身份进行检测,在此基础上利用目标跟踪算法对群养猪进行轨迹跟踪得出轨迹图,结合猪只的饮食、饮水、休息、排泄和活动五种行为的相应行为时长与次数为猪舍内群养猪多目标的健康状态进行异常判断。本文主要研究工作如下:（1）以猪舍内群养猪为数据源,深入分析国内外研究人员对猪只身份识别与检测的方法,对基于机器视觉的畜禽跟踪领域的应用概括,对猪只异常行为分析的研究现状进行分析。（2）猪只身份识别与检测方面,阐述了Centernet、SSD、Faster R-CNN以及YOLOv4模型方法的理论,对比分析四种模型,并结合实验分析选取对猪只目标检测最适用的算法。采用YOLOv4对群养猪多目标进行身份识别,实验结果表明,YOLOv4模型在测试集上对8只猪身份预测的AP（每个类别的平均准确率）值分别为99.94%、98.45%、99.70%、98.84%、99.46%、99.15%、99.99%、99.45%,总体m AP（所有类别的平均准确率）达到99.4%,比CenterNet、SSD、Faster R-CNN分别提高2.7个百分点、3.3个百分点、7.0个百分点。在测试集上检测速度CenterNet、SSD、Faster R-CNN和YOLOv4分别是27FPS、15FPS、3FPS和48FPS,由实验结果可知YOLOv4可以精确、快速地对群养猪进行目标检测及身份识别,通过实验数据可见YOLOv4在检测实时性方面最佳。只有完成猪只身份识别与检测才能最终得到猪只目标的跟踪轨迹。（3）目标跟踪中传统的多目标猪只跟踪算法准确度较低且易丢失猪只目标。为了进一步提升跟踪的准确度,本文采用YOLOv4与DeepSORT相融合的一种组合模型。该模型首先采用YOLOv4对群养猪进行身份识别与检测,然后采用YOLOv4与DeepSORT相关联对群养猪实现跟踪并画出运动轨迹图,以提升猪只目标跟踪的准确度。利用该模型在VOC数据集上进行验证,该模型的MOTA指标比CenterNet+DeepSORT模型、SSD+DeepSORT模型以及Faster R-CNN+DeepSORT模型都高。实验结果表明,该模型可以准确的对多目标猪只进行跟踪,为猪只的健康状态提供了判断依据。（4）根据跟踪得出的轨迹图结合猪只在猪舍环境内的分析,按照猪场环境将区域进行划分,划分出饮食区域、饮水区域、休息区域、排泄区域、活动区域五个区域,依据运动轨迹图对每只猪的行为时长及次数建立统计表,按照统计表中的数据结合其他文献,判断其猪只的异常。